数据分析--数字找朋友

从前有一个数字王国，里面的数字们喜欢在一块儿玩，不过它们有点挑剔，老是想跟与本身接近的数字玩，他们以为其余都是远房亲戚，不亲。咱们怎么帮助它们找到合适的一组数字呢？

均值

平均数是统计中的一个重要概念。一般用来表示一组统计对象的集中趋势。

平均数里面最经常使用的是算术平均数（或称均值）。它是一组数字的和除以数字的个数。

在均值用于表示统计对象的通常水平，它是描述数据集中程度的一个统计量。咱们既能够用它来反映一组数据的通常状况，也能够用它进行不一样组数据的比较，以看出组与组之间的差异。

例如数字20会跟下面两组数字哪一组玩呢？

A	19	23	19	21	23	20	21	20	18	22
B	43	45	36	45	38	36	39	38	39	41

经过计算均值，A组的均值为20.6，B组的均值为40，因此数字20去和A组玩。

为何要用一个均值这样的叫法，为何不能直接叫平均数呢？

由于平均数有好多种：

• 算术平均数：n个数据相加后除以n。就是这里的均值。
• 几何平均数：n个数据相乘后开n次方。
• 调和平均数：n个数据的倒数取算术平均，再取倒数。
• 平方平均数（也称“均方根”）：n个数据的平方取算数平均，再开根号。
• 移动平均数
• 算术-几何平均数
• 几何-调和平均数
• 。。。。。。

STOP！好吧，咱们就用均值。。

数字20又来找人玩，此次的数据组是它们，均值是20，好像没什么问题，可是20好像并不开心：

C	5	2	5	5	5	3	6	2	84	83

这是怎么一回事？！

中位数

中位数是另外一个表示集中趋势的一个值，中位数不是全部数字计算得出，而是把全部的数按照大小的顺序排列。若是数据的个数是奇数，则中间那个数据就是这组数据的中位数；若是数据的个数是偶数，则中间那2个数据的平均值就是这组数据的中位数。

因此上面的这组数字，应该用中位数来描述。

将全部数字从小到大排列后：

C	2	2	3	5	5	5	5	6	83	84

中位数为第5和第6个数的平均值，也就是5，说明C组集中在了数字5的周围，因此数字20不喜欢和它们一块儿玩。在这里，83，84偏离了总体，是异常值。

那就换一组数字吧，此次的数据组是它们，均值是20，中位数也是20，此次没什么问题了吧？

D	3	5	5	5	6	34	34	36	36	36

众数

众数指一组数据中出现次数最多的数据值。例如在（2，3，3，3）中，出现最多的是3，所以众数是3，众数多是一个数，但也多是多个数。用众数表明一组数据，适合于数据量较多时使用，且众数不受异常值的影响。

D组中出现次数最多的数字是5和36，表示数字分红了两堆接近的数，仍是没有和数字20接近的，数字20也不喜欢和它们玩。

数字20受够了！它要求再找些靠谱的参考标准，好吧，下面是一些参考：

全距

全距又称极差，用来表示一组数据中最大值与最小值之间的差额，即最大值减最小值后所得数值。全距为离散程度的最简单测度值，比较容易受到异常值影响。

上面的四组数据的全距为：

	A	B	C	D
全距	5	9	82	33

对于数字20来讲，若是全距太大，就有多是个坑。不过光看全距说明不了更多问题，还要进一步来看。

百分位数

百分位数是将一组数据从小到大排序，并计算相应的累计百分位，则某一百分位所对应数据的值就称为这一百分位的百分位数。

上面四组数据的10%百分位数和90%百分位数分别为：

百分位数	A	B	C	D
10%	18.9	36	2	4.8
90%	23	45	83.1	36

百分位数对于数字20来讲，是一个很好的参考，能够知道和他大小相仿的数字都集中在什么区域。可是这么多百分位数，选哪一个好呢？

四分位数

四分位数能够理解为是特定的几个百分位数：25%，50%和75%。将一组数据从小到大排列后：

第一四分位数等于第25%的数字，也叫下四分位数；

第二四分位数等于第50%的数字，也就是中位数；

第三四分位数等于第75%的数字，也叫上四分位数；

第三四分位数与第一四分位数的差距又称四分位距。

四分位距提供了一个简单的判断数字分散程度的指标，对于数字20来讲，能够有效的避免使用百分位数时的选择困难症。

上面四组数据的四分位数以及四分位距为：

四分位数	A	B	C	D
下四分位数	19.25	38	3.5	5
上四分位数	21.75	42.5	5.75	35.5
四分位距	2.5	4.5	2.25	30.5

这样看来C组彷佛比A组还要好，还有没有更靠谱一些的指标？

方差

方差用来描述一组数的离散程度，它将各个数和均值的差算一下平方，相加以后再除以总数，这样就能够算出各个数据分散的程度。

上面四组数据的方差为：

	A	B	C	D
方差	2.64	10.2	1009.8	232

C组和D组一会儿就被排除了，偏离了太多。方差更好，不过因为平方了一下，若是想要更直观的表示和均值的距离的话，就要用到下面的标准差：

标准差

标准差是方差开平方，反映这组数字的离散程度。

标准差越大，表明大部分的数值和其平均值之间差别较大；标准差越小，表明这些数值较接近平均值。

上面四组数据的标准差为：（保留两位小数）

	A	B	C	D
标准差	1.62	3.19	31.78	15.23

标准差说明A组数据，平均和均值之间平均差距为1.62，你们都很接近，选这一组就没错了。

该用哪个？

数字20：你一开始告诉我标准差不就行了？绕这么多弯子干什么？

上面的每一种值都有各自的适用场合，要根据关注的目标，使用合适的值进行描述，才是最合理的，没有惟一一个最好的衡量值。例如上面四组数据，若是只看标准差，能说明数字比较靠近，但并不能代表这一组数字靠近谁，还须要结合均值来一块儿考虑。